C++求解AX=XB(手眼标定用)

描述

C++求解AX = XB

以下的两个代码,虽然可以直接运行,但是我本人使用它们得到的手眼矩阵,旋转矩阵R值的大小看起来是合理的,但位置向量t的三个数值大概都是大于10万的,显然是错误的。

但没有时间去研究错误的原因,但是找到这些代码已属不易,因此还是贴在这里,供以后研究

代码

C++求解AX = XB

代码网上有很多,这里贴出来两个。Tsai_HandEye
Navy_HandEye

  • Tsai_HandEye
Mat skew( Mat res )
{
	Mat result = (Mat_<double>(3, 3) << 0, -res.at<double>(2), res.at<double>(1),
		res.at<double>(2), 0, -res.at<double>(0),
		-res.at<double>(1), res.at<double>(0), 0);
		
	return result;
}
void Tsai_HandEye(Mat Hcg, vector<Mat> Hgij, vector<Mat> Hcij)
{
	CV_Assert(Hgij.size() == Hcij.size());
	int nStatus = Hgij.size();

	Mat Rgij(3, 3, CV_64FC1);
	Mat Rcij(3, 3, CV_64FC1);

	Mat rgij(3, 1, CV_64FC1);
	Mat rcij(3, 1, CV_64FC1);

	double theta_gij;
	double theta_cij;

	Mat rngij(3, 1, CV_64FC1);
	Mat rncij(3, 1, CV_64FC1);

	Mat Pgij(3, 1, CV_64FC1);
	Mat Pcij(3, 1, CV_64FC1);

	Mat tempA(3, 3, CV_64FC1);
	Mat tempb(3, 1, CV_64FC1);

	Mat A;
	Mat b;
	Mat pinA;

	Mat Pcg_prime(3, 1, CV_64FC1);
	Mat Pcg(3, 1, CV_64FC1);
	Mat PcgTrs(1, 3, CV_64FC1);

	Mat Rcg(3, 3, CV_64FC1);
	Mat eyeM = Mat::eye(3, 3, CV_64FC1);

	Mat Tgij(3, 1, CV_64FC1);
	Mat Tcij(3, 1, CV_64FC1);

	Mat tempAA(3, 3, CV_64FC1);
	Mat tempbb(3, 1, CV_64FC1);
	Mat AA;
	Mat bb;
	Mat pinAA;
	Mat Tcg(3, 1, CV_64FC1);

	for (int i = 0; i < nStatus; i++)
	{
		Hgij[i](Rect(0, 0, 3, 3)).copyTo(Rgij);
		Hcij[i](Rect(0, 0, 3, 3)).copyTo(Rcij);

		Rodrigues(Rgij, rgij);
		Rodrigues(Rcij, rcij);

		theta_gij = norm(rgij);
		theta_cij = norm(rcij);
		
		rngij = rgij / theta_gij;
		rncij = rcij / theta_cij;

		Pgij = 2 * sin(theta_gij / 2) * rngij;
		Pcij = 2 * sin(theta_cij / 2) * rncij;

		tempA = skew(Pgij + Pcij);
		tempb = Pcij - Pgij;

		A.push_back(tempA);
		b.push_back(tempb);
	}

	//Compute rotation
	invert(A, pinA, DECOMP_SVD);

	Pcg_prime = pinA * b;
	Pcg = 2 * Pcg_prime / sqrt(1 + norm(Pcg_prime) * norm(Pcg_prime));
	PcgTrs = Pcg.t();
	Rcg = (1 - norm(Pcg) * norm(Pcg) / 2) * eyeM + 0.5 * (Pcg * PcgTrs + sqrt(4 - norm(Pcg)*norm(Pcg))*skew(Pcg));

	//Computer Translation 
	for (int i = 0; i < nStatus; i++)
	{
		Hgij[i](Rect(0, 0, 3, 3)).copyTo(Rgij);
		Hcij[i](Rect(0, 0, 3, 3)).copyTo(Rcij);
		Hgij[i](Rect(3, 0, 1, 3)).copyTo(Tgij);
		Hcij[i](Rect(3, 0, 1, 3)).copyTo(Tcij);


		tempAA = Rgij - eyeM;
		tempbb = Rcg * Tcij - Tgij;

		AA.push_back(tempAA);
		bb.push_back(tempbb);
	}

	invert(AA, pinAA, DECOMP_SVD);
	Tcg = pinAA * bb;
	cout << Rcg << endl;

    // std::cout<<pinAA<<std::endl;
	Rcg.copyTo(Hcg(Rect(0, 0, 3, 3)));
	Tcg.copyTo(Hcg(Rect(3, 0, 1, 3)));
	Hcg.at<double>(3, 0) = 0.0;
	Hcg.at<double>(3, 1) = 0.0;
	Hcg.at<double>(3, 2) = 0.0;
	Hcg.at<double>(3, 3) = 1.0;

}
  • Navy_HandEye
void Navy_HandEye(cv::Mat Hcg, std::vector<cv::Mat> Hgij, std::vector<cv::Mat> Hcij)
{
    CV_Assert(Hgij.size() == Hcij.size());
    int nStatus = Hgij.size();

    cv::Mat Rgij(3, 3, CV_64FC1);
    cv::Mat Rcij(3, 3, CV_64FC1);

    cv::Mat alpha1(3, 1, CV_64FC1);
    cv::Mat beta1(3, 1, CV_64FC1);
    cv::Mat alpha2(3, 1, CV_64FC1);
    cv::Mat beta2(3, 1, CV_64FC1);
    cv::Mat A(3, 3, CV_64FC1);
    cv::Mat B(3, 3, CV_64FC1);

    cv::Mat alpha(3, 1, CV_64FC1);
    cv::Mat beta(3, 1, CV_64FC1);
    cv::Mat M(3, 3, CV_64FC1, cv::Scalar(0));

    cv::Mat MtM(3, 3, CV_64FC1);
    cv::Mat veMtM(3, 3, CV_64FC1);
    cv::Mat vaMtM(3, 1, CV_64FC1);
    cv::Mat pvaM(3, 3, CV_64FC1, cv::Scalar(0));

    cv::Mat Rx(3, 3, CV_64FC1);

    cv::Mat Tgij(3, 1, CV_64FC1);
    cv::Mat Tcij(3, 1, CV_64FC1);

    cv::Mat eyeM = cv::Mat::eye(3, 3, CV_64FC1);

    cv::Mat tempCC(3, 3, CV_64FC1);
    cv::Mat tempdd(3, 1, CV_64FC1);

    cv::Mat C;
    cv::Mat d;
    cv::Mat Tx(3, 1, CV_64FC1);
    
    //Compute rotation
    if (Hgij.size() == 2) // Two (Ai,Bi) pairs
    {
        cv::Rodrigues(Hgij[0](cv::Rect(0, 0, 3, 3)), alpha1);
        cv::Rodrigues(Hgij[1](cv::Rect(0, 0, 3, 3)), alpha2);
        cv::Rodrigues(Hcij[0](cv::Rect(0, 0, 3, 3)), beta1);
        cv::Rodrigues(Hcij[1](cv::Rect(0, 0, 3, 3)), beta2);

        alpha1.copyTo(A.col(0));
        alpha2.copyTo(A.col(1));
        (alpha1.cross(alpha2)).copyTo(A.col(2));

        beta1.copyTo(B.col(0));
        beta2.copyTo(B.col(1));
        (beta1.cross(beta2)).copyTo(B.col(2));

        Rx = A*B.inv();

    }
    else // More than two (Ai,Bi) pairs
    {
        for (int i = 0; i < nStatus; i++)
        {
            Hgij[i](cv::Rect(0, 0, 3, 3)).copyTo(Rgij);
            Hcij[i](cv::Rect(0, 0, 3, 3)).copyTo(Rcij);

            cv::Rodrigues(Rgij, alpha);
            cv::Rodrigues(Rcij, beta);

            M = M + beta*alpha.t();
        }

        MtM = M.t()*M;
        eigen(MtM, vaMtM, veMtM);

        pvaM.at<double>(0, 0) = 1 / sqrt(vaMtM.at<double>(0, 0));
        pvaM.at<double>(1, 1) = 1 / sqrt(vaMtM.at<double>(1, 0));
        pvaM.at<double>(2, 2) = 1 / sqrt(vaMtM.at<double>(2, 0));

        Rx = veMtM*pvaM*veMtM.inv()*M.t();
    }
    
    //Computer Translation 
    for (int i = 0; i < nStatus; i++)
    {
        Hgij[i](cv::Rect(0, 0, 3, 3)).copyTo(Rgij);
        Hcij[i](cv::Rect(0, 0, 3, 3)).copyTo(Rcij);
        Hgij[i](cv::Rect(3, 0, 1, 3)).copyTo(Tgij);
        Hcij[i](cv::Rect(3, 0, 1, 3)).copyTo(Tcij);
        
        tempCC = eyeM - Rgij;
        tempdd = Tgij - Rx * Tcij;

        C.push_back(tempCC);
        d.push_back(tempdd);
    }
    
    Tx = (C.t()*C).inv()*(C.t()*d);
    
    Rx.copyTo(Hcg(cv::Rect(0, 0, 3, 3)));
    Tx.copyTo(Hcg(cv::Rect(3, 0, 1, 3)));
    Hcg.at<double>(3, 0) = 0.0;
    Hcg.at<double>(3, 1) = 0.0;
    Hcg.at<double>(3, 2) = 0.0;
    Hcg.at<double>(3, 3) = 1.0;
}
  • 4
    点赞
  • 48
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
AX=XB手眼标定问题中常见的形式,其中A和B分别表示机械臂和相机的变换矩阵,X表示待求解的手眼关系矩阵。手眼标定的目标是通过已知的机械臂末端姿态和相机观测到的物体姿态,来求解机械臂与相机之间的关系。 具体解法可以使用以下方法之一: 1. Tsai-Lenz 方法:这是最经典和常用的手眼标定方法之一。它基于相机和机器人末端执行器在同一个坐标系下的转换关系,通过最小二乘法来求解手眼关系矩阵X。Tsai-Lenz 方法的具体步骤包括采集一系列机械臂和相机的位姿数据,然后对数据进行处理和分析,并使用线性代数方法求解X。 2. Zhang 方法:这是另一种常用的手眼标定方法。它通过将AX=XB转化为齐次变换矩阵的形式,然后使用SVD(奇异值分解)来求解手眼关系矩阵X。Zhang 方法需要采集多组机械臂和相机的位姿数据,并对数据进行预处理以提高精度。 3. 耦合标定方法:这种方法结合了传统的Tsai-Lenz 方法和Zhang 方法,通过采集机械臂与相机同时运动的数据,来求解手眼关系矩阵X。这种方法可以进一步提高标定精度,并且对于机器人和相机之间的刚性约束更为适用。 这些方法都有详细的理论基础和实现步骤,具体选择哪种方法取决于应用需求和实际情况。需要注意的是,手眼标定是一个复杂的问题,精确度受到许多因素的影响,包括测量误差、系统误差、噪声等。因此,在实际应用中,需要综合考虑这些因素,并采取合适的校准策略来提高标定精度。
评论 7
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值